例如，我正在尝试创建一个分类器以将句子分类为好还是坏。我的数据集为50％good和50％bad。我宁愿错误地将其错误分类为好，而不是错误地将其分类为坏。
有什么方法可以做到这一点，并确保当错误地将坏句子与好句子进行分类时，对参数的更新没有那么重要吗？
我想到的一种解决方案是使用常规分类器，而无需进行任何修改，然后仅更改阈值以说，如果分类良好的可能性高于40％而不是正常的50％，我们将预测分类为良好。我不确定这是否会产生副作用，并且在培训过程中直接对其进行修改是否会更好。
答案 0 :(得分：0)
使用加权交叉熵。
在二元互熵[-（p）log（q）-（1-p）log（1-q）]中，
-（p）log（q）项用于判断真实数据为真（1到1）
-（1-p）log（1-q）项用于判断错误数据为假。 （0至0）
因此，如果您想拥有假阳性而不是假阴性，
您可以加权-（p）log（q）项。
请参阅tensorflow文档。
（https://www.tensorflow.org/api_docs/python/tf/nn/weighted_cross_entropy_with_logits）